Mostrar registro simples

dc.contributor.advisorSpinosa, Eduardo Jaques, 1974-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informáticapt_BR
dc.creatorSilva, Anderson Bottega dapt_BR
dc.date.accessioned2022-11-03T15:44:06Z
dc.date.available2022-11-03T15:44:06Z
dc.date.issued2022pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/77815
dc.descriptionOrientador: Eduardo Jaques Spinosapt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 02/06/2022pt_BR
dc.descriptionInclui referências: p. 59-61pt_BR
dc.descriptionÁrea de concentração: Ciência da Computaçãopt_BR
dc.description.abstractResumo: Sistemas de recomendação auxiliam usuários, filtrando uma grande quantidade de conteúdos a que são expostos diariamente, com o objetivo de recomendar produtos em ecommerce, músicas, filmes, pessoas em redes sociais e outros de maneira personalizada, sendo assim, uma tarefa complexa. Atualmente os sistemas de recomendação sequencial tem sido cada vez mais utilizados nestas tarefas. Eles recebem como entrada uma sequência de cliques, ou seja, os itens acessados durante um determinado tempo e utilizam algoritmos de recomendação para sugerir o próximo item. Para sugerir itens, é necessário construir representações de itens, sendo eles responsáveis por identificá-los através de um vetor de números reais, chamado de embedding. Neste trabalho propomos alterar o módulo responsável por construir estas representações de itens, que emprega a técnica GGNN no Sistema de Recomendação Sequencial SR-GNN, pela técnica GraphSage, utilizando seus agregadores: Mean, Maxpolling e LSTM. Validamos nossa proposta com os datasets: yoochoose, diginetica, aotm e 30music. Os resultados indicam que o método Mean foi capaz de reduzir o tempo de execução em todos os cenários testados, mantendo a eficácia original.pt_BR
dc.description.abstractAbstract: Recommender systems help users by filtering a large amount of content to which they are exposed daily, in order to recommend products in e-commerce, music, movies, people on social networks and others in a personalized way, thus being a complex task. Currently, sequential recommender systems have been increasingly used in these tasks. They receive a sequence clicks as input, that is, items accessed during a given time, and use recommendation algorithms to suggest the next item. To suggest items, it is necessary to build representations of items, being responsible for identifying them through a vector of real numbers, called embedding. In this work we propose to change the module responsible for building these embeddings, which employs the GGNN technique in the SR-GNN Sequential Recommendation System, using the GraphSage technique, using its aggregators: Mean, Maxpolling and LSTM. We validated our proposal with the datasets: yoochoose, diginetica, aotm and 30music. The results indicate that the Mean method was able to reduce the execution time in all tested scenarios, maintaining the original effectiveness.pt_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectCiência da Computaçãopt_BR
dc.titleSistemas de recomendação sequencial baseados em abordagens de graph neural networkpt_BR
dc.typeDissertação Digitalpt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples